Data Quality Master Data Management TDWI Finland, 28.1.2011 Johdanto: Petri Hakanen
Agenda 08.30-09.00 Coffee 09.00-09.30 Welcome by IBM! Introduction by TDWI 09.30-10.30 Dario Bezzina: The Data Quality Gap 10.30-10.45 Coffee Break 10.45-11.10 Round table discussions around the topics of the day 11.10-11.20 Conclusions 11.20-11.30 Wrap up
TDWI Finland - Tuoreita - Verkkosivusto uusittu http://www.tdwi.fi - Seuraava jäsentapahtuma (tämän päivän jälkeen) - Tiistaina 5.4. - Barry Devlin: From Business Intelligence to Fully Integrated Enterprise IT - Yhdistyksen kevätkokous toukokuussa
Sivusto : http://www.tdwi.fi
Sivusto : Vain jäsenille -osiot
Sivusto : Vain jäsenille -osiot
Sivusto : Tapahtumat
Seuraavat tapahtumat
Johdantoa - Intro Data Quality - Datan laatu Information Quality Tiedon laatu Master Data (MDM) Mitä tiedon laatu tarkoittaa? What does it mean: Information Quality? Miten MDM tähän liittyy? How this relates to MDM?
Johdantoa - Intro Is MDM the answer to bad data quality? Do we really need a business case for data quality?
Johdantoa Intro 10 Critical Myths and Realities of Master Data Management Gartner: 10 Critical Myths and Realities of Master Data Management Summary: http://www.gartner.com/it/page.jsp?id=1527314 Report: http://www.gartner.com/resid=1448120 Myth 1: MDM Is About Implementing a Technology Reality: MDM is much less about technology and much more about understanding how business processes are supposed to work.
Gartner: Johdantoa Intro 10 Critical Myths and Realities of Master Data Management Myth 2: MDM Is a Project Reality: MDM is implemented as a program that forever changes the way the business creates and manages its master data. However, to adopt MDM will require numerous discrete projects. Myth 3: We Don't Need MDM; We Have an Enterprise Data Warehouse (EDW) Reality: MDM should/will span the organization across all business units and processes (including data stores, operational and analytical).
Gartner: Johdantoa Intro 10 Critical Myths and Realities of Master Data Management Myth 4: Implementing ERP Means You Don't Need MDM Reality: Enterprise resource planning (ERP) generally means a packaged business application strategy, most often centered on a single, large vendor. ERP implied, but rarely realized for the user organization, a single process and data model across the organization. Myth 5: MDM Is for Large, Complex Enterprises Only Reality: The principle of MDM is applied whenever two or more business processes must view or share (master) data. This means that most organizations have a need for the discipline of MDM even if they don't call it that, or if they implement a separate technology called MDM.
Gartner: Johdantoa Intro 10 Critical Myths and Realities of Master Data Management Myth 6: Metadata Is the Key to MDM Reality: Metadata is critical to MDM (and many efforts outside MDM), but how metadata is applied in the context of MDM differs by domain, industry, use case and implementation style. Myth 7: MDM Is an IT Effort Reality: MDM must be driven by the business, a business case, and supported/enabled by IT. Myth 8: MDM Is Just Too Big to Do Reality: MDM can be and is most presently being adopted one domain or province at a time, and one use case at a time.
Gartner: Johdantoa Intro 10 Critical Myths and Realities of Master Data Management Myth 9: MDM Is Separate to Data Governance and Data Quality Reality: MDM includes governance (of master data) and data quality (of master data) MDM cannot be established without them. Myth 10: It Doesn't Matter Which MDM Technology Vendor You Use They All Do MDM Reality: MDM is complex; rarely do two organizations' MDM programs look alike. Vendor MDM capability has also focused on specialization across data domain, industry, use case, organization and implementation style. Consequently, vendor selection is critical if organizations are to find the right partner.
Johdantoa Intro Gartner Hype Cycle for BI 2010
Johdantoa Intro Gartner Hype Cycle for MDM 2010
Agenda 08.30-09.00 Coffee and breakfast 09.00-09.30 Welcome by IBM! Introduction by TDWI 09.30-10.30 Dario Bezzina: The Data Quality Gap 10.30-10.45 Coffee Break 10.45-11.10 Round table discussions around the topics of the day 11.10-11.20 Conclusions 11.20-11.30 Wrap up
Agenda 08.30-09.00 Coffee and breakfast 09.00-09.30 Welcome by IBM! Introduction by TDWI 09.30-10.30 Dario Bezzina: The Data Quality Gap 10.30-10.45 Coffee Break 10.45-11.10 Round table discussions around the topics of the day 11.10-11.20 Conclusions 11.20-11.30 Wrap up
Round table discussions around the topics of the day Is MDM the answer to bad data quality? Do we really need a business case for data quality?
Agenda 08.30-09.00 Coffee and breakfast 09.00-09.30 Welcome by IBM! Introduction by TDWI 09.30-10.30 Dario Bezzina: The Data Quality Gap 10.30-10.45 Coffee Break 10.45-11.10 Round table discussions around the topics of the day 11.10-11.20 Conclusions 11.20-11.30 Wrap up
Agenda 08.30-09.00 Coffee and breakfast 09.00-09.30 Welcome by IBM! Introduction by TDWI 09.30-10.30 Dario Bezzina: The Data Quality Gap 10.30-10.45 Coffee Break 10.45-11.10 Round table discussions around the topics of the day 11.10-11.20 Conclusions 11.20-11.30 Wrap up
Wrap Up Petri Hakanen, poimintoja ja havaintoja: 1. Tieto Luotettavuus Luotettava Tehokkuus aikataulussa 2. Seminaariyleisö: a) Data Quality on tärkeä b) vain muutamalla on ohjelma ja prosessit sitä varten 3. Data Quality asiana ei ymmärretä samalla tavalla monia erilaisia tulkintoja 4. Samassakin organisaatiossa osa henkilöistä voi olla tiedon laatu asiaan hyvinkin kypsiä, kun taas toiset vasta arvailevat
Wrap Up Petri Hakanen, poimintoja ja havaintoja: 5. Tiedon laatua ( ongelmia?) pitää mitata, jotta voisi tehdä oikeita päätöksiä parantavista toimenpiteistä 6. Tiedon laadun vastuusta ei ole yhteistä mielipidettä Kenelle se kuuluu? 7. Organisaatiot käyttävät paljon resursseja tukeakseen rikkinäisiä prosesseja
Wrap Up Petri Hakanen, poimintoja ja havaintoja: 8. Asenne: Jos liiketoiminnalla on kiire edetä asiassaan, mutta tarkkaa vaadittua lisätietoa puuttuu kirjaamisvaiheessa, me sallimme ja poistamme helposti validointisääntöjä, jotta liiketoiminnalle ei tulisi kirjaamisessa viivettä. Systeemiin sallitaan huonoa dataa, joka aiheuttaa harmia myöhemmin
Wrap Up Petri Hakanen, poimintoja ja havaintoja: 9. On myös toimialoja, joissa on määrättyjä vaatimuksia tiedon laadulle kuten esimerkiksi vakuutusala (vastuut, prosessit, mittaaminen) 10. Kypsyys asiaan on kasvussa. Tutkimusten mukaan monet ovat jo alkaneet mitata tiedon laatuun liittyviä asioita, ja tiedostavat tarpeen parantaa laatua
Wrap Up Petri Hakanen, poimintoja ja havaintoja: 11. Case: Organisaatiot voivat myös luovuttaa tietoja toiselle organisaatiolle (kumppanille) tiedon laadun parantamiseksi. Asiakas oli pakko rekisteröidä sekä operaattorille että omaan järjestelmään, asiakaspalvelutilanteessa. Otettiin operaattorilta takaisin omaan asiakaskuntaan liittyvä vertailudata, omaan tietovarastoon.
Wrap Up Petri Hakanen, poimintoja ja havaintoja: 12. Data Governance on tärkeä ja samalla monimutkainen asia. Lopulta se tulee joka tapauksessa pystyttää (politiikat, vastuut, prosessit)